为了保持“只有一种明显的方法来做到这一点”，如何在Numpy中获得矢量(1D数组)的大小?
def mag(x):
return math.sqrt(sum(i**2 for i in x))
上述功能是有效的，但我无法相信我必须自己指定这样一个微不足道的核心功能。
当前回答
使用scipy中的函数规范。Linalg(或numpy.linalg)
>>> from scipy import linalg as LA
>>> a = 10*NP.random.randn(6)
>>> a
array([ 9.62141594, 1.29279592, 4.80091404, -2.93714318,
17.06608678, -11.34617065])
>>> LA.norm(a)
23.36461979210312
>>> # compare with OP's function:
>>> import math
>>> mag = lambda x : math.sqrt(sum(i**2 for i in x))
>>> mag(a)
23.36461979210312
其他回答
您需要的函数是numpy. linalgg .norm。(我认为它应该以基数numpy作为数组的属性——比如x.m om()——但哦，好吧)。
import numpy as np
x = np.array([1,2,3,4,5])
np.linalg.norm(x)
你也可以为你想要的n阶范数输入一个可选的词。假设你想要1范数:
np.linalg.norm(x,ord=1)
等等。
使用scipy中的函数规范。Linalg(或numpy.linalg)
>>> from scipy import linalg as LA
>>> a = 10*NP.random.randn(6)
>>> a
array([ 9.62141594, 1.29279592, 4.80091404, -2.93714318,
17.06608678, -11.34617065])
>>> LA.norm(a)
23.36461979210312
>>> # compare with OP's function:
>>> import math
>>> mag = lambda x : math.sqrt(sum(i**2 for i in x))
>>> mag(a)
23.36461979210312
我发现最快的方法是通过inner1d。下面是它与其他numpy方法的比较:
import numpy as np
from numpy.core.umath_tests import inner1d
V = np.random.random_sample((10**6,3,)) # 1 million vectors
A = np.sqrt(np.einsum('...i,...i', V, V))
B = np.linalg.norm(V,axis=1)
C = np.sqrt((V ** 2).sum(-1))
D = np.sqrt((V*V).sum(axis=1))
E = np.sqrt(inner1d(V,V))
print [np.allclose(E,x) for x in [A,B,C,D]] # [True, True, True, True]
import cProfile
cProfile.run("np.sqrt(np.einsum('...i,...i', V, V))") # 3 function calls in 0.013 seconds
cProfile.run('np.linalg.norm(V,axis=1)') # 9 function calls in 0.029 seconds
cProfile.run('np.sqrt((V ** 2).sum(-1))') # 5 function calls in 0.028 seconds
cProfile.run('np.sqrt((V*V).sum(axis=1))') # 5 function calls in 0.027 seconds
cProfile.run('np.sqrt(inner1d(V,V))') # 2 function calls in 0.009 seconds
Inner1d比linalg快3倍。Norm，比einsum快一点点
给出一个单个5D向量的例子:
x = np.array([1,-2,3,-4,5])
通常你会这样编码:
from scipy import linalg
mag = linalg.norm(x)
对于不同类型的输入(矩阵或5D向量的堆栈(批))，请检查一致描述API的参考文档。 https://numpy.org/doc/stable/reference/generated/numpy.linalg.norm.html
OR
如果虚拟环境是新鲜的，scipy是缺失的，只需输入
mag = np.sqrt(x.dot(x))
取每个指标的平方，然后求和，然后开根号。
import numpy as np
def magnitude(v):
return np.sqrt(np.sum(np.square(v)))
print(magnitude([3,4]))
